SWIN-SFTNet：基于 Swin Transformer 的空间特征扩展与聚合用于全乳腺微小肿块分割
图像与视频处理
2022-11-17 v1 计算机视觉与模式识别
摘要
在训练深度学习架构时纳入各种肿块形状和尺寸，使得乳腺肿块分割具有挑战性。此外，手动分割不规则形状的肿块耗时且易出错。尽管深度神经网络在乳腺肿块分割中表现出色，但其在微小肿块分割上表现不佳。本文提出一种新颖的 U 型 transformer 架构，称为 Swin-SFTNet，其在基于乳腺钼靶的微小肿块分割上优于最先进的架构。首先，为捕获全局上下文，我们设计了一种新颖的空间特征扩展与聚合块（SFEA），将顺序线性块转换为结构化空间特征。接下来，我们将其与 swin transformer 块提取的局部线性特征结合以提高整体精度。我们还引入了一种新颖的嵌入损失，用于计算编码器与解码器块的线性特征嵌入之间的相似性。通过该方法，我们在 CBIS-DDSM 上比最先进技术高出 3.10% 的分割 dice，在 InBreast 上高出 3.81%，在 CBIS 预训练模型于 InBreast 测试集上高出 3.13%。
引用
@article{arxiv.2211.08717,
title = {SWIN-SFTNet : Spatial Feature Expansion and Aggregation using Swin Transformer For Whole Breast micro-mass segmentation},
author = {Sharif Amit Kamran and Khondker Fariha Hossain and Alireza Tavakkoli and George Bebis and Sal Baker},
journal= {arXiv preprint arXiv:2211.08717},
year = {2022}
}
备注
5 pages, 3 figures, 2 tables